深層学習 Deep Learning

深層学習の発展によって、自動運転をはじめとするさまざまなアプリケーションにおいて機械学習の活用が急速に広がりつつあります。我々は、自動運転とその周辺技術の開発を主要なターゲットとしつつも、それに限定されない、深層学習共通の本質的な研究課題に取り組んでいます。

そのテーマの一つが、高い安全性が求められる領域における「AIモデルの品質管理」です。安全の確保が重要な場面では、AIモデルが不具合を引き起こした際の影響が大きいため、その原因の特定方法や性能劣化の説明、適切な対策の検討など、品質管理上の課題が浮かび上がります。これらは一見アプリケーションごとの課題に見えますが、実際には深層学習のモデル一般が抱える普遍的な課題であり、AIを社会に安全に実装するために避けて通れない骨太のテーマでもあります。そもそも「AIモデルの品質とは何か」「どう定義し、どう最適化すべきか」という根源的な問題と向き合う必要があります。
我々はこのような深層学習のモデルの信頼性・説明可能性といった課題の解決を目指し、モデルの事後診断、尤度ベースの認識からの脱却、モデル混合といった挑戦的な研究テーマに取り組んでいます。

もう一つ取り組んでいる重要な研究テーマが、「AIモデルの軽量化・高速化」です。自動運転のように多数のカメラ映像をもとに物体認識や制御を行うAIモデルでは、膨大な計算資源とメモリを必要とし、同時に高いリアルタイム性も求められますが、車載機器のエッジ端末での電力・メモリには厳しい制約があります。この状況で高い精度とリアルタイム性の両立を実現するためには、モデルを軽量化する最先端の技術が不可欠です。この分野では、低ビット化、蒸留、プルーニングなどのアプローチで多様な手法が提案されています。我々は、それらの最新の軽量化手法を”目利き”するだけではなく、その先にある独自の軽量化技術の創出に取り組み、その学術的成果を実用化に繋げることに挑戦しています。

深層学習の本質的な研究課題の解決を通じて、安全かつ効率的な活用を可能にし、社会に広く届く技術を生み出すことこそが、我々のミッションです。